CN105177199A - 高炉煤气发生量软测量方法 - Google Patents

Abstract

本发明公开了一种高炉煤气发生量软测量方法，包括步骤：通过钢铁企业能源管控系统采集高炉运行数据，对高炉运行状态进行计算，将状态分为休风、减风和正常三类；当高炉处于休风和正常状态时，建立基于高炉煤气发生机理的软测量模型；当高炉处于减风状态时，通过能源管控系统采集铁水产量、鼓风量等影响高炉煤气发生量的炉况信息，通过互信息分析提取非线性特征向量，建立基于智能参数优化回归分析的高炉煤气发生量软测量模型。本发明有效结合高炉工艺状态和高炉炉况信息，软测量方法灵敏度高，测量结果准确，为高炉煤气调度提供很好的数据支撑。

Description

高炉煤气发生量软测量方法

技术领域

本发明涉及到一种软测量建模方法，特别涉及钢铁企业高炉煤气发生量的软测量方法，用于软测量技术领域。

背景技术

钢铁行业总能耗约占全国工业总能耗的10％。副产煤气是钢铁联合企业中重要的二次能源，其中高炉煤气占到45％，对于整个钢铁企业的生产工艺有重要影响。高炉煤气可以为生产工艺提供加热能源燃料，为电厂发电和燃气轮机一蒸汽轮机联合循环发电提供重要的发电能源，在钢铁企业高炉冶炼生铁的过程中，高炉煤气系统为其提供重要的煤气燃料。总之，高炉煤气系统为钢铁企业的生产工艺提供重要的燃料能源，供给各个生产流程作为加热燃料，高炉煤气系统对于保障钢铁企业的能源平衡具有重要地位。

同时高炉作为高炉煤气的发生单元，又是高炉煤气管网系统的源端，在高炉煤气平衡调度上起着举足轻重的作用。高炉煤气发生量会受到鼓风量、燃料、以及富氧等炉况因素变化的影响，同时煤气仪表在小量程或者含有焦油等其他杂质的时候，精度比较差，导致煤气发生量计量不准确，这些现象的发生造成了测量误差的累积，从而造成了高炉煤气的实际发生量与其仪表计量值不一致，从而导致整个高炉煤气管网的不平衡。这些都成为钢铁企业所普遍存在的问题，对企业的能源调度、成本核算等带来了不利影响，与企业的经济效益直接相关。

通过以上分析，如何科学的评估高炉煤气发生量的计量值，并保证总发生量与总消耗量的平衡，对于钢铁企业能源的合理分配，节能降耗具有重要意义。

发明内容

本发明的目的是：提供一种高炉煤气发生量软测量方法，能保证在不同高炉运行状态下准确计算高炉煤气发生量。同时使得能源调度人员实时掌握高炉的运行状态，及时调度煤气系统的供需及平衡状态。对现场缺失或者故障的高炉煤气仪表进行在线软测量，实现煤气管网数据的完备性，为调度人员提供准确的数据支撑。

为了达成上述目的，本发明的技术方案是：高炉煤气发生量软测量方法，包含如下步骤：

(1)高炉工艺状态计算

将高炉工艺状态划分为休风、减风、正常三个类别，从能源管控系统中采集高炉运行历史数据，选择表征高炉运行状态的评估指标，建立基于模糊模式识别的高炉状态计算模型，计算高炉的工艺状态。

(2)高炉煤气发生量软测量特征变量选择

选取影响高炉煤气发生量的指标，从能源管控系统中采集各个指标和高炉煤气发生量的历史运行数据作为建模样本，进行归一化和无量纲处理，建立基于互信息理论的特征变量选择模型，去除无关和冗余的指标，其余的作为特征变量。

(3)针对不同工艺状态建立高炉煤气发生量在线软测量模型

(a)针对休风和正常状态，根据高炉煤气发生机理公式建立软测量模型；

(b)针对减风状态，根据步骤(2)互信息分析得到的特征变量，建立基于智能参数优化回归分析方法的高炉发生量在线软测量模型。

上述方案中：所述的步骤(1)中高炉工艺状态计算，具体包含以下步骤：

第一步：获取高炉运行的历史数据，选择炉顶煤气温度、鼓风量、压差作为表征高炉运行状态的评估指标，对高炉运行状态进行评估。因此，可以得到状态向量：

U＝{X、Y、Z}

式中：X为炉顶煤气温度；Y为鼓风量；Z为压差。

第二步：基于状态样本集的数据聚类确定高炉运行的分类准则，通过分类准则得到状态集；将高炉运行状态分为休风、减风、正常三类状态。

S＝{s₁，s₂，s₃}

式中：s₁，s₂，s₃为三类状态的特征状态向量。

第三步：通过模糊模式识别，求出状态向量与状态集的模糊隶属度关系矩阵，具体如下：

$R=\left[\begin{array}{c}{R}_1\\ R_2\\ R_3\end{array}\right]=\left[\begin{array}{ccc}{r}_{11}& r_{12}& r_{13}\\ r_{21}& r_{22}& r_{23}\\ r_{31}& r_{32}& r_{33}\end{array}\right]$

式中：r_ij＝λ_R{u_i,s_j}0≤r_ij≤1，它表征的状态向量中的u_i维度指标被评为s_j状态类的概率。r_j＝r_1j+r_2j+r_3j，它表征的是该状态属于s_j类状态的概率，通过比较r_j的大小，就可以得出最终的评估结果。

上述方案中：所述的步骤(2)中高炉煤气发生量软测量特征变量选择，包含以下步骤：

第一步：选取高炉铁水产量、鼓风量、焦比、富氧、风温、风压等辅助变量作为可能影响主导变量高炉煤气发生量的指标。并将高炉煤气发生量定义为母序列，记为{x₀(i)},i＝1,2,…,N，其中x₀(1)表示第一时刻的值，x₀(i)表示第i个时刻的值。将高炉铁水量、鼓风量等影响指标的数据序列定义为子序列，记为{x_k(i)},k＝1,2,…,m,i＝1,2,…,N，表示第k个影响指标第i个时刻的值。

第二步：对主导变量和各辅助变量进行归一化处理。采用均值化方法来预处理原始数据，即统一数据列的所有数据，均除以该数据列的平均值，得到一个新的数据列。令x₀的平均值为x_k的平均值为则有：

${\stackrel{\‾}{x}}_k\left(i\right)=x_k\left(i\right)/{\stackrel{\‾}{x}}_k,k=0,1,2...m$

第三步：由互信息定义求解各个变量互信息。具体公式如下：

$I({\stackrel{\‾}{x}}_k,{\stackrel{\‾}{x}}_0)=\underset{i=1}{\overset{n}{\Σ}}p\left({\stackrel{\‾}{x}}_k\right(i),{\stackrel{\‾}{x}}_0(i\left)\right)log\frac{p\left({\stackrel{\‾}{x}}_k\right(i),{\stackrel{\‾}{x}}_0(i\left)\right)}{p\left({\stackrel{\‾}{x}}_k\right(i\left)\right)p\left({\stackrel{\‾}{x}}_0\left(i\right)\right)}$

其中：表示第k个变量的最大熵的概率密度函数；

表示主导变量的最大熵的概率密度函数；

表示主导变量和第k个变量的最大熵联合概率密度函数；

第四步：确定主要影响因素：将计算出的煤气量与各影响指标数据列的互信息从大到小进行排序，选取互信息大于指定阈值的指标作为高炉煤气发生量的特征变量。

上述方案中：所述的步骤(3)中根据机理公式建立其煤气量在线软测量模型，具体包含以下步骤：

第一步：根据步骤(1)计算的高炉实时工艺状态，当高炉处于“正常”和“休风”运行状态时建立高炉煤气发生量机理模型。

第二步：根据采集的高炉运行数据的不同，提供两种高炉煤气发生量软测量方法，具体如下：

方法一：基于经验公式根据高炉鼓风量计算高炉煤气单位产气量，具体如下：

V_G＝1.35～1.40F

式中：V_G表示高炉煤气的单位发生量，m³/h；F表示高炉单位鼓风量，m³/h；1.35～1.40—比例系数，由经验取得。

方法二：当原料、焦炭、喷吹物中的含氮量很少，可以忽略不计时，认为进出高炉的气体保持氮平衡，方法一中的比例系数可以用煤气的氮含量和鼓风中的氮含量之比来计算，则高炉煤气的单位发生量计算公式为：

$V_G=\frac{N_2^g}{N_2^m}F$

式中：V_G表示高炉煤气的单位发生量，m³/h；表示鼓风中氮气含量(体积分数)(％)；表示煤气中氮气含量(体积分数)(％)。

第三步：利用基于高炉煤气发生机理的软测量方法对高炉处于休风和正常状态时进行软测量，并将测量结果记录到运行信息。

上述方案中：所述的步骤(3)中基于智能参数优化回归分析方法的高炉煤气发生量软测量模型，具体包含以下步骤：

第一步：根据步骤(2)互信息分析的特征变量，采集历史数据作为回归分析样本。同时根据结构风险最小的原则，综合考虑模型复杂度与经验风险，高炉煤气发生量软测量模型选用支持向量回归机(SVR)方法建模，问题可归纳为：

对于训练样本集(x_i，y_i)(其中i＝1,2,...l；x_i∈R^m，为输入变量；y_i∈R，为对应的输出值)，寻找一个输入空间到输出空间的非线性映射通过这个非线性映射，将数据x映射到一个高维特征空间F，并在特征空间中用下列估计函数进行线性回归：

其中b为阈值。根据统计学理论，支持向量机通过对下列目标函数极小化来取得回归函数：

$min\left\{\frac{1}{2}\left|\right|w|{|}^2+C\·\frac{1}{l}\underset{i=1}{\overset{1}{\Σ}}\left({\mathrm{\ξ}}_i+{\mathrm{\ξ}}_i^{*}\right)\right\}$

约束条件为：

$st:\left\{\begin{array}{c}{y}_i-w\·x_i-b\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i\\ w\·x_i+b-y_i\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i^{*}\\ {\mathrm{\ξ}}_i,{\mathrm{\ξ}}_i^{(*)}\≥0,i=1,\mathrm{....}l\end{array}\right.$

其中：常数C>0，表示对超出误差ε的样本的惩罚程度；参数ξ_i与为松弛因子；ε为不敏感损失函数。

第二步：选择高斯径向基作为核函数，其参数σ对SVR性能的优劣影响很大,需要确定最优核参数σ。首先将预处理后的训练样本导入SVR模型进行训练，同时结合遗传算法对SVR参数进行优化，得到最佳回归模型。具体如下：

(a)确定C，ε和σ在实际应用中的可能取值范围；

(b)随机选择各参数的初始值，并采用某种编码构造初始种群P(t)；

(c)将P(t)中的个体输入SVR模型进行训练，并计算个体适应度函数值；

(d)判断种群中最优个体的适应度函数值是否满足要求或者达到最大遗传代数，若满足则转至(f)，否则转入下一步(e)；

(e)应用选择、交叉以及变异算子产生新的种群，之后返回到(c)进行迭代；

(f)输出最佳SVR参数，并通过对训练样本进行训练以获得最佳回归模型；

第三步：基于遗传算法参数优化的支持向量机模型(GA-SVR)对高炉处于减风状态时进行软测量，并将测量结果记录到运行信息。

本发明的优点在于：

(1)提出高炉工艺状态计算的方法，将高炉运行状态划分为三类，直观地帮助调度人员实时掌握高炉的运行状态。

(2)互信息方法有效地剔除无用或者冗余的辅助变量，实现了非线性提取特征向量，为软测量模型的建立提供了前提条件。

(3)针对高炉不同的运行状态，根据各自特点提出不同的软测量模型，适应性好，计算结果更精确。

(4)本发明提供了一种高炉煤气发生量的软测量手段，可用于验证高炉煤气发生量表计的准确性，支持煤气系统平衡调度和管理考核等工作。

附图说明

图1是本发明所建立的高炉煤气软测量模型的计算框图。

图2是本发明实施高炉工艺状态计算的流程图。

图3是本发明实施智能参数优化回归分析计算的流程图。

图4是参数寻优过程适应度变化趋势图。

图5是高炉处于正常状态时，高炉煤气发生量实际值与软测量值的对比图。

图6是高炉处于减风状态时，高炉煤气发生量实际值与软测量值的对比图。

具体实施方式

以下结合附图，对本发明的技术方案进行详细说明。

实施例1

参见图1，图2和图3，本发明提供一种高炉煤气发生量软测量方法，包含以下三个步骤：

(1)高炉工艺状态计算

将高炉工艺状态划分为休风、减风、正常三个类别，从能源管控系统中采集高炉运行历史数据，选择表征高炉运行状态的评估指标，建立基于模糊模式识别的高炉状态计算模型，计算高炉的工艺状态。

(2)高炉煤气发生量软测量特征变量选择

选取影响高炉煤气发生量的指标，从能源管控系统中采集各个指标和高炉煤气发生量的历史运行数据作为建模样本，进行归一化和无量纲处理，建立基于互信息理论的特征变量选择模型，去除无关和冗余的指标，其余的作为特征变量。

(3)针对不同工艺状态建立高炉煤气发生量在线软测量模型

(a)针对休风和正常状态，根据高炉煤气发生量机理公式建立软测量模型；

(b)针对减风状态，根据步骤(2)互信息分析得到的特征变量，建立基于智能参数优化回归分析方法的高炉发生量在线软测量模型。

上述步骤(1)具体包含以下步骤：

第一步：获取高炉运行的历史数据，选择炉顶煤气温度、鼓风量、压差作为表征高炉运行状态的评估指标，对高炉运行状态进行评估。因此，可以得到状态向量：

U＝{X、Y、Z}

式中：X为炉顶煤气温度；Y为鼓风量；Z为压差。

第二步：基于状态样本集的数据聚类确定高炉运行的分类准则，通过分类准则得到状态集；将高炉运行状态分为休风、减风、正常三类状态。

S＝{s₁，s₂，s₃}

式中：s₁，s₂，s₃为三类状态的特征状态向量。

第三步：通过模糊模式识别，求出状态向量与状态集的模糊隶属度关系矩阵，具体如下：

$R=\left[\begin{array}{c}{R}_1\\ R_2\\ R_3\end{array}\right]=\left[\begin{array}{ccc}{r}_{11}& r_{12}& r_{13}\\ r_{21}& r_{22}& r_{23}\\ r_{31}& r_{32}& r_{33}\end{array}\right]$

式中：r_ij＝λ_R{u_i,s_j}0≤r_ij≤1，它表征的状态向量中的u_i维度指标被评为s_j状态类的概率。r_j＝r_1j+r_2j+r_3j，它表征的是该状态属于s_j类状态的概率，通过比较r_j的大小，就可以得出最终的评估结果。

上述步骤(2)具体包含以下步骤：

第一步：选取高炉铁水产量、鼓风量、焦比、富氧、风温、风压等辅助变量作为可能影响主导变量高炉煤气发生量的指标。并将高炉煤气发生量定义为母序列，记为{x₀(i)},i＝1,2,…,N，其中x₀(1)表示第一时刻的值，x₀(i)表示第i个时刻的值。将高炉铁水量、鼓风量等影响指标的数据序列定义为子序列，记为{x_k(i)},k＝1,2,…,m,i＝1,2,…,N，表示第k个影响指标第i个时刻的值。

第二步：对主导变量和各辅助变量进行归一化处理。采用均值化方法来预处理原始数据，即统一数据列的所有数据，均除以该数据列的平均值，得到一个新的数据列。令x₀的平均值为x_k的平均值为则有：

${\stackrel{\‾}{x}}_k\left(i\right)=x_k\left(i\right)/{\stackrel{\‾}{x}}_k,k=0,1,2...m$

第三步：由互信息定义求解各个变量互信息。具体公式如下：

$I({\stackrel{\‾}{x}}_k,{\stackrel{\‾}{x}}_0)=\underset{i=1}{\overset{n}{\Σ}}p\left({\stackrel{\‾}{x}}_k\right(i),{\stackrel{\‾}{x}}_0(i\left)\right)log\frac{p\left({\stackrel{\‾}{x}}_k\right(i),{\stackrel{\‾}{x}}_0(i\left)\right)}{p\left({\stackrel{\‾}{x}}_k\right(i\left)\right)p\left({\stackrel{\‾}{x}}_0\left(i\right)\right)}$

其中：表示第k个变量的最大熵的概率密度函数；

表示主导变量的最大熵的概率密度函数；

表示主导变量和第k个变量的最大熵联合概率密度函数；

第四步：确定主要影响因素：将计算出的煤气量与各影响指标数据列的互信息从大到小进行排序，选取互信息大于指定阈值的指标作为高炉煤气发生量的特征变量。

上述步骤(3)中的建立高炉煤气发生量机理模型具体包含以下步骤：

第一步：根据步骤(1)计算的高炉实时工艺状态，当高炉处于“正常”和“休风”运行状态时建立高炉煤气发生量机理模型。

第二步：根据采集的高炉运行数据的不同，提供两种软测量方法，具体如下：方法一：基于经验公式根据高炉鼓风量计算高炉煤气单位产气量，具体如下：

V_G＝1.35～1.40F

式中：V_G表示高炉煤气的单位发生量，m³/h；F表示高炉单位鼓风量，m³/h；1.35～1.40—比例系数，由经验取得。

方法二：当原料、焦炭、喷吹物中的含氮量很少，可以忽略不计时，认为进出高炉的气体保持氮平衡，方法一中的比例系数可以用煤气的氮含量和鼓风中的氮含量之比来计算，则高炉煤气的单位发生量计算公式为：

$V_G=\frac{N_2^g}{N_2^m}F$

式中：V_G表示高炉煤气的单位发生量，m³/h；表示鼓风中氮气含量(体积分数)(％)；表示煤气中氮气含量(体积分数)(％)。

第三步：利用基于高炉煤气发生机理的软测量方法对高炉处于休风和正常状态时进行软测量，并将测量结果记录到运行信息。

上述步骤(3)中的基于智能参数优化回归分析方法的高炉煤气发生量软测量模型具体包含以下步骤：

第一步：根据步骤(2)互信息分析的特征变量，采集历史数据作为回归分析样本。同时根据结构风险最小的原则，综合考虑模型复杂度与经验风险，高炉煤气发生量软测量模型选用支持向量回归机(SVR)方法建模，问题可归纳为：

对于训练样本集(x_i，y_i)(其中i＝1,2,...l；x_i∈R^m，为输入变量；y_i∈R，为对应的输出值)，寻找一个输入空间到输出空间的非线性映射通过这个非线性映射，将数据x映射到一个高维特征空间F，并在特征空间中用下列估计函数进行线性回归：

其中b为阈值。根据统计学理论，支持向量机通过对下列目标函数极小化来取得回归函数：

$min\left\{\frac{1}{2}\left|\right|w|{|}^2+C\·\frac{1}{l}\underset{i=1}{\overset{1}{\Σ}}\left({\mathrm{\ξ}}_i+{\mathrm{\ξ}}_i^{*}\right)\right\}$

约束条件为：

$st:\left\{\begin{array}{c}{y}_i-w\·x_i-b\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i\\ w\·x_i+b-y_i\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i^{*}\\ {\mathrm{\ξ}}_i,{\mathrm{\ξ}}_i^{(*)}\≥0,i=1,\mathrm{....}l\end{array}\right.$

其中：常数C>0，表示对超出误差ε的样本的惩罚程度；参数ξ_i与为松弛因子；ε为不敏感损失函数。

第二步：选择高斯径向基作为核函数，其参数σ对SVR性能的优劣影响很大,需要确定最优核参数σ。首先将预处理后的训练样本导入SVR模型进行训练，同时结合遗传算法对SVR参数进行优化，得到最佳回归模型。具体如下：

(a)确定C，ε和σ在实际应用中的可能取值范围；

(b)随机选择各参数的初始值，并采用某种编码构造初始种群P(t)；

(c)将P(t)中的个体输入SVR模型进行训练，并计算个体适应度函数值；

(d)判断种群中最优个体的适应度函数值是否满足要求或者达到最大遗传代数，若满足则转至(f)，否则转入下一步(e)；

(e)应用选择、交叉以及变异算子产生新的种群，之后返回到(c)进行迭代；

(f)输出最佳SVR参数，并通过对训练样本进行训练以获得最佳回归模型；

第三步：基于遗传算法参数优化的支持向量机模型(GA-SVR)对高炉处于减风状态时进行软测量，并将测量结果记录到运行信息。

以下提供具体的实施例，对本发明技术方案作进一步说明：

以昆钢新区高炉为例来讨论高炉煤气发生量的软测量应用效果，具体如下：

第一步：从能源管控系统中选取(2014.11.7)的数据作为总样本，根据炉顶温度、鼓风量、压差判断高炉的运行状态，具体流程如图2所示。

第二步：当高炉处于休风状态时，根据机理模型因为鼓风量为0，所以煤气发生量也为0；当高炉处于正常状态时，时间间隔为1分钟，根据经验公式高炉煤气发生量的变化与软测量结果的比较如图5所示(选取24个点时间间隔为1分钟)。

第三步：当高炉处于减风状态时，从能源管控系统中提取(2014.11.7)减风状态持续时间约为2个小时，根据采集的特征变量数据，选取其中60％作为训练集，其余作为测试集，具体流程如图3所示。采用多次交叉验证寻优方法，经过20代进化以后，如图4所示，得到SVR模型的最佳参数：C＝69.0355，σ＝17.1837，ε＝0.022，从而得到基于GA-SVR的高炉煤气发生量软测量结果。实际值与软测量结果值如图6所示(选取20个点时间间隔为1分钟)。

从图5和图6的曲线可以看出软测量曲线和实际曲线十分接近，达到了较高的软测量精度，从而反映了该方法应用于高炉煤气软测量模型的优异性能。

以上通过具体实施例对本发明进行了说明，但应当认识到上述的描述不应该认为是本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将显而易见。因此，本发明的保护范围应有所附的权利要求来规定。

Claims (10)

1.一种高炉煤气发生量软测量方法，其特征在于包含如下步骤：

(1)高炉工艺状态计算：从能源管控系统中采集高炉运行历史数据，选择表征高炉运行状态的评估指标，建立高炉状态计算模型，计算高炉工艺状态；

(2)高炉煤气发生量软测量特征变量选择：选取影响高炉煤气发生量的指标，从能源管控系统中采集各个指标和高炉煤气发生量的历史运行数据作为建模样本，计算并提取特征变量；

(3)针对不同高炉工艺状态建立高炉煤气发生量在线软测量模型。

2.如权利要求1所述的高炉煤气发生量软测量方法，其特征是:所述的步骤(1)中，高炉工艺状态划包括休风、减风、正常三类状态。

3.如权利要求1和2所述的高炉煤气发生量软测量方法，其特征是在所述的步骤(1)中采用模糊模式识别技术建立高炉状态计算模型，其步骤包括：

(1)获取高炉运行的历史数据，选择炉顶煤气温度、鼓风量、压差作为表征高炉运行状态的评估指标，得到状态向量：

U＝{X、Y、Z}

式中：X为炉顶煤气温度；Y为鼓风量；Z为压差；

(2)基于状态样本集的数据聚类确定高炉运行的分类准则，通过分类准则得到状态集：

S＝{s₁，s，₂，s₃}

式中：s₁，s，₂s₃分别为高炉运行的休风、减风和正常这三类状态的特征状态向量；

(3)通过模糊模式识别，求出状态向量与状态集的模糊隶属度关系矩阵，具体如下：

式中：r_ij＝λ_R{u_i,s_j}0≤r_ij≤1，它表征的状态向量中的u_i维度指标被评为s_j状态类的概率；r_j＝r_1j+r_2j+r_3j，它表征的是该状态属于s_j类状态的概率，通过比较r_j的大小，得出最终的评估结果。

4.如权利要求1所述的高炉煤气发生量软测量方法，其特征是在所述的步骤(2)中采用互信息分析的方法计算并提取特征变量，其步骤包括：

(1)选取辅助变量作为可能影响高炉煤气发生量的指标；并将高炉煤气发生量定义为母序列，记为{x₀(i)},i＝1,2,…,N，其中x₀(1)表示第一时刻的值，x₀(i)表示第i个时刻的值；将辅助变量的指标的数据序列定义为子序列，记为{x_k(i)},k＝1,2,…,m,i＝1,2,…,N，表示第k个影响指标第i个时刻的值；所述辅助变量为高炉铁水产量、鼓风量、焦比、富氧、风温和风压。

(2)对主导变量和各辅助变量进行归一化处理；采用均值化方法来预处理原始数据，即统一数据列的所有数据，均除以该数据列的平均值，得到一个新的数据列；令x₀(i)的平均值为令x_k(i)的平均值为则有：

(3)由互信息定义求解各个变量互信息，具体公式如下：

其中：表示第k个变量的最大熵的概率密度函数；

表示主导变量的最大熵的概率密度函数；

表示主导变量和第k个变量的最大熵联合概率密度函数；

(4)确定主要影响因素：将计算出的煤气量与各影响指标数据列的互信息从大到小进行排序，选取互信息大于指定阈值的指标作为高炉煤气发生量的特征变量。

5.如权利要求1所述的高炉煤气发生量软测量方法，其特征是：步骤(3)中，针对休风和正常状态，根据高炉煤气发生量机理公式建立软测量模型。

6.如权利要求5所述的高炉煤气发生量软测量方法，其特征是所述的根据高炉煤气发生量机理建立软测量模型的具体步骤包括：

(1)根据计算的高炉实时工艺状态，当高炉处于正常和休风运行状态时建立高炉煤气发生量机理模型；

(2)根据采集的高炉运行数据的不同，提供基于经验公式和氮平衡的两种高炉煤气发生量软测量方法；

(3)利用基于高炉煤气发生机理的软测量方法对高炉处于休风和正常状态时进行软测量，并将测量结果记录到运行信息。

7.如权利要求6所述的高炉煤气发生量软测量方法，其特征是基于经验公式根据高炉鼓风量计算高炉煤气单位产气量，具体如下：

V_G＝1.35～1.40F

式中：V_G表示高炉煤气的单位发生量，m³/h；F表示高炉单位鼓风量，m³/h；1.35～1.40—比例系数，由经验取得。

8.如权利要求6所述的高炉煤气发生量软测量方法，其特征是：当原料、焦炭、喷吹物中的含氮量很少，可以忽略不计时，认为进出高炉的气体保持氮平衡，高炉煤气的单位发生量计算公式为：

式中：V_G表示高炉煤气的单位发生量，m³/h；表示鼓风中氮气含量(体积分数)(％)；表示煤气中氮气含量(体积分数)(％)。

9.如权利要求4所述的高炉煤气发生量软测量方法，其特征是：针对减风状态，根据所述提取的特征变量，采用智能参数优化回归分析方法建立高炉发生量在线软测量模型。

10.如权利要求9所述的高炉煤气发生量软测量方法，其特征是所述的智能参数优化回归分析方法采用如下步骤：

(1)根据所述的特征变量，采集历史数据作为回归分析样本；同时根据结构风险最小的原则，综合考虑模型复杂度与经验风险，高炉煤气发生量软测量模型选用支持向量回归机SVR方法建模，问题可归纳为：

对于训练样本集(x_i，y_i)(其中i＝1,2,...l；x_i∈R^m，为输入变量；y_i∈R，为对应的输出值)，寻找一个输入空间到输出空间的非线性映射通过这个非线性映射，将数据x映射到一个高维特征空间F，并在特征空间中用下列估计函数进行线性回归：

其中b为阈值；根据统计学理论，支持向量机通过对下列目标函数极小化来取得回归函数：

约束条件为：

其中：常数C>0，表示对超出误差ε的样本的惩罚程度；参数ξ_i与为松弛因子；ε为不敏感损失函数；

(2)选择高斯径向基作为核函数，其参数σ对SVR性能的优劣影响很大,需要确定最优核参数σ；首先将预处理后的训练样本导入SVR模型进行训练，同时结合遗传算法对SVR参数进行优化，得到最佳回归模型；具体如下：

(a)确定C，ε和σ在实际应用中的可能取值范围；

(b)随机选择各参数的初始值，并采用某种编码构造初始种群P(t)；

(c)将P(t)中的个体输入SVR模型进行训练，并计算个体适应度函数值；

(d)判断种群中最优个体的适应度函数值是否满足要求或者达到最大遗传代数，若满足则转至(f)，否则转入下一步(e)；

(e)应用选择、交叉以及变异算子产生新的种群，之后返回到(c)进行迭代；

(f)输出最佳SVR参数，并通过对训练样本进行训练以获得最佳回归模型；

(3)基于遗传算法参数优化的支持向量机模型(GA-SVR)对高炉处于减风状态时进行软测量，并将测量结果记录到运行信息。